综述：基于计算机模拟的变异效应预测在精准植物育种中的前景与局限

这篇综述系统阐述了AI序列模型（如语言模型LM和卷积神经网络CNN）在预测植物基因组变异效应（包括编码区和非编码区）中的应用潜力，重点对比了监督学习（如eQTL分析）与无监督学习（如进化保守性评分）方法的优劣。文章指出，尽管现代序列模型（如Enformer和AlphaFold2）通过整合基因组上下文克服了传统QTL定位和GERP评分的局限性，但其预测准确性仍受训练数据质量和验证实验的制约，尤其在调控序列建模和跨物种泛化方面存在挑战。

　　

引言

植物育种正从传统表型筛选转向精准育种（precision breeding），通过直接靶向因果变异实现性状改良。CRISPR等基因编辑技术的应用（如水稻OsSPL14基因编辑）已取得显著成效，但变异筛选仍依赖耗时费力的诱变筛选。计算机模拟（in silico）预测方法展现出替代潜力，其核心挑战在于准确预测变异对分子性状（如mRNA丰度）和宏观性状（如产量）的影响。

功能基因组学中的监督学习

传统数量性状位点（QTL）定位通过线性回归关联基因型与表型，但存在分辨率低（>100 kb）、统计功效不足等局限。现代序列到功能模型（sequence-to-function models）采用统一框架预测变异效应：

• Basenji2和Enformer等卷积神经网络（CNN）整合长达100 kb的基因组上下文，通过^{in silico}诱变比较参考与突变序列的预测表达值（||y_ALT-y_REF||）
• PhytoExpr结合Transformer与CNN层，在玉米中预测组织特异性基因表达，但跨基因泛化能力有限
  关键瓶颈在于训练数据多来自单一参考基因组，难以捕捉个体间变异。近期人类数据表明，加入个体转录组数据可提升预测精度，但跨群体迁移性仍不理想。

比较基因组学中的无监督学习

传统方法（如GERP、SIFT）通过多序列比对（MSA）评估位点保守性，但受限于物种数量和功能周转（functional turnover）。新兴基因组语言模型（genomic LM）突破这一局限：

• GPN基于8个十字花科物种训练，单核苷酸token化策略在拟南芥中优于phyloP
• PlantCaduceus采用Mamba架构处理16种被子植物基因组，长序列建模效率提升
  这些模型通过零样本预测（log[Pr(ALT)/Pr(REF)]）评估变异保守性，与稀有等位基因频率显著相关，暗示其对有害突变的识别潜力。

验证与挑战

三类验证策略各有侧重：

1. 交叉验证：CASP竞赛模式评估蛋白结构预测，而DREAM挑战赛测试启动子活性预测
2. 功能富集：LM预测与eQTL共定位，但需注意基因间差异的干扰
3. 实验验证：CRISPR碱基编辑（如水稻A·T→G·C突变）是金标准，但高通量仍依赖原生质体瞬时表达系统

当前核心矛盾在于：蛋白语言模型（如ESM）已实现跨物种应用，但基因组模型仍需解决调控语法学习、远端顺式元件（CRM）识别等难题。未来突破可能来自训练策略优化（如GPN-MSA引入比对信息）和作物特异性基准（Plant Genomic Benchmark）建立。

应用前景

尽管尚未成熟，序列模型已展现三大育种价值：

1. 精细定位关联信号中的候选因果变异
2. 指导基因编辑靶点选择（如恢复祖先等位基因）
3. 替代传统保守性评分优化基因组预测（如玉米遗传负荷评估）
   随着训练数据扩展（植物泛基因组计划）和算法改进（稀疏注意力机制），这类模型有望成为育种工具箱的核心组件。